Gli scienziati cognitivi stanno modellando il funzionamento interno del cervello umano utilizzando simulazioni al computer, ma molti modelli attuali tendono ad essere imprecisi. I ricercatori dell'Unità di neurorobotica cognitiva dell'Okinawa Institute of Science and Technology Graduate University (OIST) hanno sviluppato un modello al computer ispirato a meccanismi biologici noti del cervello, modellare il modo in cui il cervello apprende e riconosce nuove informazioni e quindi fa previsioni sugli input sensoriali in entrata.

Il modello può consentire ai robot di "socializzare" prevedendo e imitando i reciproci comportamenti. Può anche aiutare a rivelare le basi cognitive del disturbo dello spettro autistico.

"La nostra conoscenza del passato informa le nostre aspettative per il presente, " ha detto il professor Jun Tani, coautore del nuovo studio, pubblicato in Calcolo neurale . "Però, spesso incontriamo situazioni che sfidano le nostre aspettative. Stiamo sviluppando modelli in grado di affrontare l'imprevedibilità della vita quotidiana".

Tani e il suo collaboratore, l'ex borsista postdottorato dell'OIST Ahmadreza Ahmadi, ha lavorato con un modello chiamato rete neurale ricorrente (RNN). Il loro RNN si basa sulla codifica predittiva, una teoria che propone che il cervello faccia continuamente previsioni sulle informazioni sensoriali in arrivo come suoni e immagini. Gli errori, le discrepanze tra le previsioni del cervello e la realtà, si propagano attraverso strati di reti di elaborazione. Questo processo di "retropropagazione" aiuta la RNN ad adattarsi agli eventi che si verificano in modo irregolare, permettendogli di prevedere futuri input sensoriali.

Tra ordine e casualità

Reti neurali efficaci si trovano a cavallo del confine tra ordine e casualità. Per ottimizzare il loro modello, i ricercatori hanno introdotto un parametro chiamato "meta prior" nel processo di apprendimento. Un'ambientazione più vicina a quella generava un resoconto più certo ma complesso di informazioni sensoriali dettagliate, considerando che un'impostazione più vicina allo zero riduce la complessità consentendo una maggiore incertezza.

Tani e il suo team hanno addestrato il loro RNN con dati sequenziali che avevano regolarità e allo stesso tempo contenevano una certa casualità. Hanno anche usato il loro modello per programmare un robot per imparare a imitare un altro robot che si muoveva secondo schemi specifici in ordini casuali.

I ricercatori hanno scoperto che la scelta di un valore intermedio del meta prior, un numero compreso tra zero e uno, ha reso il più efficace per gli RNN generare previsioni accurate in entrambi i casi.

Oltre a studiare lo sviluppo sociale e la cognizione, il team di ricerca spera di esplorare il potenziale della loro rete per la modellazione del disturbo dello spettro autistico (ASD). Tani crede che le persone con ASD tendano a ridurre al minimo l'errore sviluppando una complessa rappresentazione interna della realtà, che può essere modellato con un'impostazione alta del meta prior. A causa di ciò, le persone con ASD possono non avere la capacità di generalizzare, e spesso preferiscono interagire ripetutamente con lo stesso ambiente per evitare errori e interazioni sociali non familiari.

Perciò, i ricercatori ritengono che trovare un meccanismo all'interno del cervello umano simile al meta precedente possa informare le future terapie dell'ASD.